BAB IV IMPLEMENTASI
4.2 Implementasi
4.2.3 Modul Location Map
4.2.3.1 Fungsi read_lm
5
FUNCTION write_message(data,filename):
file <- open(filename, mode<- 'w') file.write(data)
file.close() ENDFUNCTION
Pseudocode 4.4. Fungsi write_message 4.2.3 Modul Location Map
Subbab ini menjelaskan implementasi perangkat lunak terkait pemrosesan berkas location map.
4.2.3.1 Fungsi read_lm
Fungsi read_ lm digunakan untuk melakukan pembacaan pada berkas berkestensi .csv yang akan digunakan sebagai location map. Masukan dari fungsi ini berupa path file dari berkas location map yang akan digunakan, sedangkan keluaran berupa data location map. Detail fungsi read_ lm dapat dilihat di pseudocode 4.5
Input path file
Output data location map
1 2 3 4 5 6
FUNCTION read_lm(filename):
f<-open(filename, 'rt') data <- csv.reader(f) f.close()
RETURN data ENDFUNCTION
Pseudocode 4.5. Fungsi read_lm 4.2.3.2 Fungsi write_lm
Fungsi write_ lm digunakan untuk membuat berkas location map.
Masukan dari fungsi ini berupa data location map dan path file
37
berkas akan disimpan, Sedangkan keluaran berupa berkas dengan ekstensi .csv. Detail fungsi write_ lm dapat dilihat di pseudocode 4.6
Input data location map dan path file Output berkas teks berkestensi .csv
1 2 3 4 5
FUNCTION write_lm(data,filename):
file <- open(filename, mode='w') file.write(data)
file.close() ENDFUNCTION
Pseudocode 4.6. Fungsi write_lm 4.2.4 Modul SVM
Subbab ini menjelaskan implementasi perangkat lunak terkait steganografi dengan metode SVM.
4.2.4.1 Fungsi encode
Fungsi encode merupakan bagian utama dalam perangkat lunak. Fungsi ini dipanggil, ketika akan dilakukan proses embedding. Masukan dari fungsi ini berupa data cover audio, data payload dan jumlah penyisipan tiap sampel, Sedangkan keluaran berupa data stego audio dan data location map. Detail fungsi encode dapat dilihat di pseudocode 4.7
Input data cover audio, data payload
Output data stego audio dan data location map
1 2 3 4 5 6 7
FUNCTION encode(cover_data,secret_data,num_block):
coverAudio<- wavfile.read(cover_data) payload <- read_message(secret_data) payloadWithBlock<-[]
LocationMap<-[]
stegoAudio<-[]
FOR bit in payload:
8
FOR sample in coverAudio:
sampleStego<-0
ELIF sr > bit and sample!=0:
sampleStego=sample-1 LM.add(1)
ELIF sr < bit and sample!=0:
sampleStego=sample+1
RETURN stegoAudio,LM ENDFUNCTION
Pseudocode 4.7. Fungsi encode 4.2.4.2 Fungsi decode
Fungsi decode merupakan bagian utama dalam perangkat lunak. Fungsi ini dipanggil, ketika akan dilakukan proses extracting. Masukan dari fungsi ini berupa data stego audio dan data location map, Sedangkan keluaran berupa data cover audio dan data payload. Detail fungsi decode dapat dilihat di pseudocode 4.8
Input data stego audio dan data location map Output data cover audio dan data payload
1 2 3
FUNCTION new_decode(stego_data,lm):
stegoAudio<- wavfile.read(stego_data) LM <- read_message(lm)
39 FOR sample in stegoAudio:
payload<-[]
coverAudio.add(coverStego) ENDFOR
RETURN coverAudio,payload ENDFUNCTION
Pseudocode 4.8. Fungsi decode 4.2.5 Fungsi calculate_PSNR
Fungsi calculate_PSNR digunakan untuk melakukan perhitungan PSNR. Masukan dari fungsi ini berupa data cover audio dan data stego audio, sedangkan keluaran berupa nilai PSNR . Detail fungsi calculate_PSNR dapat dilihat di pseudocode 4.14
Input data cover audio dan data stego audio
Output Nilai PSNR
1 2 3
FUNCTION calculate_psnr(cover, stego):
mse<-mean_squared_error(cover, stego) RETURN 10*math.log((65535*65535)/mse,10)
4 5 6
END FUNCTION
Pseudocode 4.9. Fungsi calculate_PSNR 4.2.6 Fungsi calculate_correlation
Fungsi calculate_ correlation digunakan untuk melakukan perhitungan correlation. Masukan dari fungsi ini berupa data original payload dan data payload setelah proses extraction, sedangkan keluaran berupa nilai correlation . Detail fungsi calculate_ correlation dapat dilihat di pseudocode 4.14 Input data original payload dan data payload
setelah proses extraction Output Nilai Correlation
1 2 3 4 5
FUNCTION calculate_corelation(self,data1,data2):
correlation <- numpy.corrcoef(input_file,output_file)
RETURN correlation END FUNCTION
41
BAB V
HASIL UJI COBA DAN EVALUASI
Bab ini membahas mengenai uji coba dan evaluasi dari skenario – skenario yang ada.
5.1 Lingkungan Uji Coba
Lingkungan pengujian yang digunakan memiliki spesifikasi perangkat keras dan perangkat lunak yang ditunjukkan pada tabel 5.1
Tabel 5.1. Lingkungan Uji Coba Perangkat Jenis Perangkat Spesifikasi
Perangkat Keras Prosesor Intel Core i7-4700HQ CPU @ 2.40GHz
Memori 12 Gb DDR3 1600
MHz Perangkat Lunak Sistem Operasi Windows 10
Perangkat Pengembang
Spyder 3.2.4 Bahasa
Pemrograman
Python 3.6.3 64 bits
5.2 Data Pengujian
Subbab ini menjelaskan data-data yang digunakan dalam pengujian perangkat lunak. Data yang digunakan berupa berkas audio dan berkas teks
5.2.1 Cover Audio
Cover audio adalah berkas audio yang digunakan dalam proses embedding. Berkas audio yang dipakai sebagai cover audio adalah berkas audio yang memiliki ekstensi .wav, memiliki bit depth sebesar 16 bit, dan memiliki channel mono. Pada tugas akhir ini, akan digunakan 5 berkas audio yang berbeda genre dan instrumen dengan durasi 2 detik. Berkas – berkas audio yang digunakan memiliki sampel sebanyak 132299. Penamaan berkas audio menggunakan pola [instrumen][genre]channel. Detail berkas – berkas audio tersebut, ditunjukan pada tabel 5.2
Tabel 5.2. Cover Audio
No. Nama Berkas Instrumen Genre 1 [pia][jaz_blu]mono Piano Jazz blue 2 [voi][pop_roc]mono Suara
Penyanyi
Pop rock 3 [cel][pop_roc]mono Cello Pop
Rock 4 [gac][cla]mono Gitar
Akustik
Classical 5 [pia][cla]mono Piano Classical
5.2.2 Payload
Payload adalah berkas teks yang digunakan dalam proses embedding. Berkas yang dipakai sebagai payload adalah berkas teks yang memiliki ekstensi .txt. Isi dari payload adalah bilangan biner. Pada tugas akhir ini digunakan 3 berkas teks dengan jumlah isi yang berbeda-beda. Detail payload ditunjukkan pada tabel 5.3
Tabel 5.3. Payload
No. Nama Berkas Jumlah
Data(bit)
43
1 10kb.txt 10000
2 50kb.txt 50000
3 100kb.txt 100000
5.3 Skenario Uji Coba
Ujicoba dilakukan untuk menguji kebenaran perangkat lunak yang dibuat. Sebelum melakukan uji coba, perlu ditentukan skenario yang akan digunakan dalam uji coba. Skenario - skenario uji coba dapat dilihat pada Tabel 5.4. Skenario - skenario uji coba akan dilakukan, ketika sampel audio disisipi data sebanyak 1 dan 8 kali. Pemilihan 8 didasarkan pada nilai konversi sebuah karakter ke dalam bilangan biner. Sebagai contoh terdapat sebuah karakter ‘a ‘, yang nilai konversi binernya sebanyak 8 bit
‘a’ = [0,1,1,0,0,0,0,1].
Pada skenario uji coba, parameter yang diukur adalah nilai PSNR, correlation dan jumlah sampel audio yang terpakai. PSNR dipilih untuk mengukur kualitas stego audio dengan membandingkan stego audio dengan original audio. Selain itu, PSNR juga digunakan untuk mengecek keberhasilan proses recovering. PSNR digunakan untuk menentukan keidentikan 2 berkas audio. 2 berkas audio yang identik memiliki nilai PSNR infinite. Correlation digunakan untuk mengukur keidentikan pesan hasil proses extraction dengan pesan yang asli. 2 berkas teks yang identik memiliki nilai correlation sebesar 1.
Tabel 5.4. Skenario Uji Coba
Skenario Berkas payload Jumlah penyisipan data tiap sampel audio
Uji Coba 1 10kb.txt 1
8
Uji Coba 2 50kb.txt 1
8
Uji Coba 3 100kb.txt 1
8
5.3.1 Skenario Uji Coba 1
Pada Skenario uji coba 1 akan dilakukan penyisipan data pada berkas teks dengan nama 10kb.txt. Jumlah data yang disisipkan sebanyak 10000 bit pada berkas-berkas audio di tabel 5.2. Jumlah sampel audio yang terpakai dapat dilihat di tabel 5.5.
Hasil pengukuran PSNR dapat dilihat di tabel 5.6, 5.7 dan 5.8.
Pengukuran PSNR pada tabel 5.6 dan 5.7 dilakukan sebagai perbandingan kualitas stego audio metode SVM dan improved SVM. Sedangan pengukuran PSNR di tabel 5.8 untuk mengecek keberhasilan proses recovering. Hasil pengukuran correlation dapat dilihat di tabel 5.9. Skenario ini dilakukan, ketika jumlah penyisipan per sampel audio sebesar 1 dan 8.
Tabel 5.5. Perhitungan Sampel yang Terpakai Skenario 1
Cover Audio Sampel
Jumlah Penyisipan Per Sampel Audio
1 8
[pia][jaz_blu]mono 10000 1250
[voi][pop_roc]mono 10000 1250
[cel][pop_roc]mono 10000 1250
[gac][cla]mono 10000 1250
[pia][cla]mono 10000 1250
Tabel 5.6. Pengukuran PSNR Setelah proses embedding Metode SVM Skenario 1
Cover Audio PSNR(dB)
Jumlah Penyisipan Per Sampel Audio
1 8
[pia][jaz_blu]mono 110,54 104,03
45
[voi][pop_roc]mono 110,57 103,96 [cel][pop_roc]mono 110,52 103,97
[gac][cla]mono 110,53 103,96
[pia][cla]mono 110,54 104,02
Tabel 5.7. Pengukuran PSNR Setelah proses embedding Metode Improved SVM Skenario 1
Cover Audio PSNR(dB)
Jumlah Penyisipan Per Sampel Audio
1 8
[pia][jaz_blu]mono 110,54 119,81 [voi][pop_roc]mono 110,57 119,52 [cel][pop_roc]mono 110,52 119,46
[gac][cla]mono 110,53 119,50
[pia][cla]mono 110,54 119,78
Tabel 5.8. Pengukuran PSNR Setelah proses extracting Skenario 1
Cover Audio PSNR(dB)
Jumlah Penyisipan Per Sampel Audio
1 8
[pia][jaz_blu]mono Infinite infinite [voi][pop_roc]mono infinite infinite [cel][pop_roc]mono infinite infinite [gac][cla]mono infinite infinite [pia][cla]mono infinite infinite
Tabel 5.9. Pengukuran Correlation Terhadap Berkas Payload Setelah Proses Extraction Skenario 1
Cover Audio Correlation
Jumlah Penyisipan Per Sampel Audio
1 8
[pia][jaz_blu]mono 1 1
[voi][pop_roc]mono 1 1
[cel][pop_roc]mono 1 1
[gac][cla]mono 1 1
[pia][cla]mono 1 1
5.3.2 Skenario Uji Coba 2
Pada Skenario uji coba 2 akan dilakukan penyisipan data pada berkas teks dengan nama 50kb.txt. Jumlah data yang disisipkan sebanyak 50000 bit pada berkas-berkas audio di tabel 5.2. Jumlah sampel audio yang terpakai dapat dilihat di tabel 5.10. Hasil pengukuran PSNR dapat dilihat di tabel 5.11, 5.12 dan 5.13. Pengukuran PSNR pada tabel 5.11 dan 5.12 dilakukan sebagai perbandingan kualitas stego audio metode SVM dan improved SVM. Sedangan pengukuran PSNR di tabel 5.13 untuk mengecek keberhasilan proses recovering. Hasil pengukuran correlation dapat dilihat di tabel 5.14. Skenario ini dilakukan, ketika jumlah penyisipan per sampel audio sebesar 1 dan 8.
Tabel 5.10. Perhitungan Sampel yang Terpakai Skenario 2
Cover Audio Sampel
Jumlah Penyisipan Per Sampel Audio
1 8
[pia][jaz_blu]mono 50000 6250
[voi][pop_roc]mono 50000 6250
[cel][pop_roc]mono 50000 6250
[gac][cla]mono 50000 6250
[pia][cla]mono 50000 6250
47
Tabel 5.11. Pengukuran PSNR Setelah proses embedding Metode SVM Skenario 2
Cover Audio PSNR(dB)
Jumlah Penyisipan Per Sampel Audio
1 8
[pia][jaz_blu]mono 103,58 97,05 [voi][pop_roc]mono 103,58 97,03 [cel][pop_roc]mono 103,52 97,02
[gac][cla]mono 103,53 97,03
[pia][cla]mono 103,56 97,07
Tabel 5.12. Pengukuran PSNR Setelah proses embedding Metode Improved SVM Skenario 2
Cover Audio PSNR(dB)
Jumlah Penyisipan Per Sampel Audio
1 8
[pia][jaz_blu]mono 103,58 112,52 [voi][pop_roc]mono 103,58 112,74 [cel][pop_roc]mono 103,52 112,73
[gac][cla]mono 103,53 112,54
[pia][cla]mono 103,56 112,65
Tabel 5.13. Pengukuran PSNR Setelah Proses extracting Skenario 2
Cover Audio PSNR(dB)
Jumlah Penyisipan Per Sampel Audio
1 8
[pia][jaz_blu]mono infinite infinite [voi][pop_roc]mono infinite infinite [cel][pop_roc]mono infinite infinite [gac][cla]mono infinite infinite [pia][cla]mono infinite infinite
Tabel 5.14. Pengukuran Correlation Terhadap Berkas Payload Setelah Proses Extracting Skenario 2
Cover Audio Correlation
Jumlah Penyisipan Per Sampel Audio
1 8
[pia][jaz_blu]mono 1 1
[voi][pop_roc]mono 1 1
[cel][pop_roc]mono 1 1
[gac][cla]mono 1 1
[pia][cla]mono 1 1
5.3.3 Skenario Uji Coba 3
Pada Skenario uji coba 3 akan dilakukan penyisipan data pada berkas teks dengan nama 100kb.txt. Jumlah data yang disisipkan sebanyak 100000 bit pada berkas-berkas audio di tabel 5.2. Jumlah sampel audio yang terpakai dapat dilihat di tabel 5.15. Hasil pengukuran PSNR dapat dilihat di tabel 5.16, 5.17 dan 5.18. Pengukuran PSNR pada tabel 5.16 dan 5.17 dilakukan sebagai perbandingan kualitas stego audio metode SVM dan improved SVM. Sedangan pengukuran PSNR di tabel 5.18 untuk mengecek keberhasilan proses recovering. Hasil pengukuran correlation dapat dilihat di tabel 5.19. Skenario ini dilakukan, ketika jumlah penyisipan per sampel audio sebesar 1 dan 8.
Tabel 5.15. Perhitungan Sampel yang Terpakai Skenario 3
Cover Audio Sampel
Jumlah Penyisipan Per Sampel Audio
1 8
[pia][jaz_blu]mono 100000 12500 [voi][pop_roc]mono 100000 12500 [cel][pop_roc]mono 100000 12500
[gac][cla]mono 100000 12500
49
[pia][cla]mono 100000 12500
Tabel 5.16. Pengukuran PSNR Setelah proses embedding Metode SVM Skenario 3
Cover Audio PSNR(dB)
Jumlah Penyisipan Per Sampel Audio
1 8
[pia][jaz_blu]mono 100,54 94,05 [voi][pop_roc]mono 100,55 94,04 [cel][pop_roc]mono 100,54 94,05
[gac][cla]mono 100,55 94,04
[pia][cla]mono 100,55 94,04
Tabel 5.17. Pengukuran PSNR Setelah proses embedding Metode Improved SVM Skenario 3
Cover Audio PSNR(dB)
Jumlah Penyisipan Per Sampel Audio
1 8
[pia][jaz_blu]mono 100,54 109,59 [voi][pop_roc]mono 100,55 109,61 [cel][pop_roc]mono 100,54 109,61
[gac][cla]mono 100,55 109,63
[pia][cla]mono 100,55 109,57
Tabel 5.18. Pengukuran PSNR Setelah Proses extracting Skenario 3
Cover Audio PSNR(dB)
Jumlah Penyisipan Per Sampel Audio
1 8
[pia][jaz_blu]mono infinite infinite [voi][pop_roc]mono infinite infinite
[cel][pop_roc]mono infinite infinite [gac][cla]mono infinite infinite [pia][cla]mono infinite infinite
Tabel 5.19. Pengukuran Correlation Terhadap Berkas Payload Setelah Proses Extracting Skenario 3
Cover Audio Correlation
Jumlah Penyisipan Per Sampel Audio
1 8
[pia][jaz_blu]mono 1 1
[voi][pop_roc]mono 1 1
[cel][pop_roc]mono 1 1
[gac][cla]mono 1 1
[pia][cla]mono 1 1
5.4 Evaluasi Uji Coba
Berdasarkan hasil pengujian pada skenario-skenario uji coba , akan dilakukan evaluasi pada jumlah sampel audio yang digunakan pada proses embedding dan kualitas stego audio yang dihasilkan dengan menggunakan PSNR. Tabel 5.20 dan tabel 5.21 menunjukkan evaluasi terhadap jumlah sampel audio yang terpakai dan kualitas audio yang dihasilkan dengan metode SVM.
Tabel 5.22 menunjukkan evaluasi terhadap kualitas audio dengan menggunakan metode improved SVM
Tabel 5.20. Evaluasi Penggunaan Sampel Audio Nama
Payload
Jumlah Penyisipan Per Sampel Audio Sebesar 1
Jumlah Penyisipan Per Sampel Audio Sebesar 8
Besar Penurunan (%)
10 Kb 10000 1250 87.5
51
50 Kb 50000 6250 87.5
100 Kb 100000 12500 87.5
Rata – Rata 87.5
Tabel 5.21. Evaluasi Penurunan Kualitas Stego Audio dengan metode SVM
Nama Payload
PSNR(dB) saat jumlah penyisipan sebesar 1
PSNR (dB) saat jumlah penyisipan sebesar 8
Persentase penurunan (%)
10kb.txt 110,54 104,03 8,39
110,57 103,96 8,10
110,52 103,97 8,09
110,53 103,96 8,11
110,54 104,02 8,36
50kb.txt 103,58 97,05 8,64
103,58 97,03 8,84
103,52 97,02 8,89
103,53 97,03 8,70
103,56 97,07 8,78
100kb.txt 100,54 94,05 9,00
100,55 94,04 9,01
100,54 94,05 9,01
100,55 94,04 9,02
100,55 94,04 8,97
Rata- Rata 8.66
Tabel 5.22. Evaluasi Kenaikan Kualitas Stego Audio dengan Metode Improved SVM
Nama Payload
PSNR(dB) saat jumlah
PSNR (dB) saat jumlah
Persentase kenaikan (%)
penyisipan sebesar 1
penyisipan sebesar 8
10kb.txt 110,54 119,81 5,89
110,57 119,52 5,98
110,52 119,46 5,92
110,53 119,50 5,95
110,54 119,78 5,90
50kb.txt 103,58 112,52 6,30
103,58 112,74 6,33
103,52 112,73 6,28
103,53 112,54 6,28
103,56 112,65 6,27
100kb.txt 100,54 109,59 6,46
100,55 109,61 6,47
100,54 109,61 6,46
100,55 109,63 6,48
100,55 109,57 6,48
Rata- Rata 6,23
Berdasarkan tabel 5.20 dan 5.21, Dengan meningkatkan jumlah penyisipan per sampel audio sebesar 8 pada metode SVM , terjadi rata – rata penurunan pada jumlah sampel audio yang terpakai sebesar 87.5% dan PSNR sebesar 8.66%. Berdasarkan tabel 5.21, terjadi rata-rata peningkatan pada kualitas stego audio dengan menggunakan metide improved SVM.
53
BAB VI
KESIMPULAN DAN SARAN
Bab ini membahas mengenai kesimpulan yang dapat diambil dari tujuan pembangunan perangkat lunak dari hasil uji coba yang telah dilakukan. Hal-hal tersebut digunakan sebagai jawaban dari rumusan masalah yang telah dikemukakan.
Terdapat juga saran yang ditujukan untuk pengembangan perangkat lunak lebih lanjut.
6.1 Kesimpulan
Kesimpulan yang diperoleh dari hasil uji coba dan evaluasi Tugas Akhir ini adalah sebagai berikut:
1. Untuk meningkatkan kapasitas penyimpanan data pada metode Sample Value Modification dapat dilakukan dengan cara mengubah besar jumlah penyisipan per sampel audio sebesar 8, sehingga jumlah sampel audio yang terpakai rata- rata menurun sebesar 87,5% dan nilai PSNR stego audio rata- rata menurun sebesar 8.66%.
2. Untuk meningkatkan kualitas stego audio pada metode Sample Value Modification yang sudah dimodifikasi dapat dilakukan dengan cara mengubah persamaan pada proses embedding dan extracting pada metode Sample Value Modification, sehingga nilai PSNR rata- rata yang dihasilkan meningkat sebesar 6,23%.
6.2 Saran
Saran yang diberikan dari hasil uji coba dan evaluasi tugas akhir ini untuk pengembangan lebih lanjut adalah sebagai berikut:
1. Perlu dilakukan pengujian lebih lanjut untuk menentukan pengaruh pola payload terhadap kualitas audio yang dihasilkan
2. Perlu dilakukan pengujian lebih lanjut untuk menentukan pengaruh pola besar blok penyisipan terhadap kualitas audio yang dihasilkan
3. Pengembangan metode agar dapat menerima masukan payload selain berbasis 2
4. Pengembangan perangkat lunak agar dapat menerima
masukan payload selain teks
55
DAFTAR PUSTAKA
[1] D. Artz, “Digital Steganography: Hiding Data within Data,”
IEEE Internet Computing, Vol. %1 dari %2vol. 5, no. 3, pp. 75-80, 2001..
[2] M. H. A. Al-Hooti, S. Djanali dan T. Ahmad, “Audio Data Hiding Based on Sample Value Modification,” Journal Of Informatin Processing Systems, 2015.
[3] K. G, S. K dan B. S.S, “Data Hiding Algorithm for Images using Discrete Wavelet Transform and Arnold
Transform,” Journal of Information Processing System, 2015.
[4] python.org, python.org, [Online]. Available:
https://www.python.org/about/. [Diakses 5 Januari 2018].
[5] “https://www.python.org/static/community_logos/python-logo-master-v3-TM.png,” [Online]. Available:
https://www.python.org/static/community_logos/python-logo-master-v3-TM.png. [Diakses 29 Juni 2018].
[6] “https://www.anaconda.com/distribution/,” [Online].
Available: https://www.anaconda.com/distribution/.
[Diakses 22 Mei 2018].
[7] “https://upload.wikimedia.org/wikipedia/en/c/cd/Anaconda_L ogo.png,” [Online]. Available:
https://upload.wikimedia.org/wikipedia/en/c/cd/Anacond a_Logo.png. [Diakses 29 Juni 2018].
[8] “https://scipy.org/,” [Online]. Available: https://scipy.org/.
[Diakses 29 Mei 2018].
[9] “https://www.fullstackpython.com/img/logos/scipy.png,”
[Online]. Available:
https://www.fullstackpython.com/img/logos/scipy.png.
[Diakses 29 Juni 2018].
[10 ]
“http://www.numpy.org/,” [Online]. Available:
http://www.numpy.org/. [Diakses 29 Mei 2018].
[11 ]
“https://cdn-images-1.medium.com/max/400/1*mc5YIn7jvo5uwuqBOUDw7 Q.jpeg,” [Online]. Available:
https://cdn-images-1.medium.com/max/400/1*mc5YIn7jvo5uwuqBOUDw7 Q.jpeg. [Diakses 29 Juni 2018].
[12 ]
“https://wiki.python.org/moin/TkInter,” [Online]. Available:
https://wiki.python.org/moin/TkInter. [Diakses 29 Mei 2018].
[13 ]
“https://docs.python.org/2/library/tkinter.html,” [Online].
Available: https://docs.python.org/2/library/tkinter.html.
[Diakses 4 Juni 2018].
57 LAMPIRAN Lampiran A
Lampiran A berisi hasil ujicoba pada skenario 1 dengan jumlah penyisipan per sampel audio sebesar 1 sampai 8.
Tabel A.8.1. Perhitungan Sampel yang Terpakai Skenario 1
Cover Audio Sampel
Jumlah Penyisipan Per Sampel Audio
1 2 3 4 5 6 7 8 [gac][cla]mono 100
00 [pia][cla]mono 100
00
Tabel A.8.2. Pengukuran PSNR Setelah proses embedding Metode SVM Skenario 1
COVER AUDIO
PSNR(dB)
Jumlah Penyisipan Per Sampel Audio
1 2 3 4 5 6 7 8 [gac][cla]m 110 108 107 106 105 105 104 103
ono ,53 ,86 ,61 ,57 ,78 ,19 ,64 ,96
Tabel A.8.3. Pengukuran PSNR Setelah proses embedding Metode SVM Modifikasi Skenario 1
COVER AUDIO
PSNR(dB)
Jumlah Penyisipan Per Sampel Audio
1 2 3 4 5 6 7 8 Tabel A.8.4. Pengukuran PSNR Setelah proses extracting
Skenario 1 COVER
AUDIO
PSNR(dB)
Jumlah Penyisipan Per Sampel Audio
1 2 3 4 5 6 7 8 [gac][cla]m infi Infi infi infi infi infi infi infi
59
Tabel A.8.5. Pengukuran Correlation Setelah Proses Extraction Skenario 1
COVER AUDIO
Correlation
Jumlah Penyisipan Per Sampel Audio
1 2 3 4 5 6 7 8
Tabel A.8.6. Pengukuran Waktu embedding Skenario 1 COVER
AUDIO
Waktu(s)
Jumlah Penyisipan Per Sampel Audio
1 2 3 4 5 6 7 8
Tabel A.8.7. Pengukuran Waktu extraction Skenario 1 COVER
AUDIO
Waktu(s)
Jumlah Penyisipan Per Sampel Audio
1 2 3 4 5 6 7 8
Lampiran B
Lampiran B berisi hasil ujicoba pada skenario 2 dengan jumlah penyisipan per sampel audio sebesar 1 sampai 8
Tabel B.8.8. Perhitungan Sampel yang Terpakai Skenario 2 COVER
AUDIO
Sampel
Jumlah Penyisipan Per Sampel Audio
1 2 3 4 5 6 7 8
61 Tabel B.8.9. Pengukuran PSNR Setelah proses embedding
Metode SVM Skenario 2 COVER
AUDIO
PSNR(dB)
Jumlah Penyisipan Per Sampel Audio
1 2 3 4 5 6 7 8 Tabel B.8.10. Pengukuran PSNR Setelah proses embedding
Metode SVM Modifikasi Skenario 2 COVER
AUDIO
PSNR(dB)
Jumlah Penyisipan Per Sampel Audio
1 2 3 4 5 6 7 8 [pia][cla]mo 103 106 108 109 110 111 112 112
no ,56 ,56 ,30 ,60 ,55 ,22 ,05 ,65
Tabel B.8.11. Pengukuran PSNR Setelah Proses extracting Skenario 2
COVER AUDIO
PSNR(dB)
Jumlah Penyisipan Per Sampel Audio
1 2 3 4 5 6 7 8
Tabel B.8.12. Pengukuran Correlation Setelah Proses Extracting Skenario 2
COVER AUDIO
Jumlah Penyisipan Per Sampel Audio
1 2 3 4 5 6 7 8
Tabel B.8.13. Pengukuran Waktu embedding Skenario 2 COVER
AUDIO
Waktu(s)
Jumlah Penyisipan Per Sampel Audio
63 Tabel B.8.14. Pengukuran Waktu extracting Skenario 2 COVER
AUDIO
Waktu(s)
Jumlah Penyisipan Per Sampel Audio
1 2 3 4 5 6 7 8
Lampiran C
Lampiran C berisi hasil ujicoba pada skenario 3 dengan jumlah penyisipan per sampel audio sebesar 1 sampai 8.
Tabel C.8.15. Perhitungan Sampel yang Terpakai Skenario 3 COVER
AUDIO
Sampel
Jumlah Penyisipan Per Sampel Audio
1 2 3 4 5 6 7 8
Tabel C.8.16. Pengukuran PSNR Setelah proses embedding Metode SVM Skenario 3
COVER AUDIO
PSNR(dB)
Jumlah Penyisipan Per Sampel Audio
1 2 3 4 5 6 7 8
65
Tabel C.8.17. Pengukuran PSNR Setelah proses embedding Metode SVM Modifikasi Skenario 3
COVER AUDIO
PSNR(dB)
Jumlah Penyisipan Per Sampel Audio
1 2 3 4 5 6 7 8
Tabel C.8.18. Pengukuran PSNR Setelah Proses extracting Skenario 3
COVER AUDIO
PSNR(dB)
Jumlah Penyisipan Per Sampel Audio
1 2 3 4 5 6 7 8 [pia][cla]mo infi infi infi infi infi infi infi infi
no nite nite nite nite nite nite nite nite Tabel C.8.19. Pengukuran Correlation Setelah Proses
Extracting Skenario 3 COVER
AUDIO
Jumlah Penyisipan Per Sampel Audio
1 2 3 4 5 6 7 8
Tabel C.8.20. Pengukuran Waktu embedding Skenario 3 COVER
AUDIO
Waktu(s)
Jumlah Penyisipan Per Sampel Audio
1 2 3 4 5 6 7 8
Tabel C.8.21. Pengukuran Waktu extracting Skenario 3 COVER
AUDIO
Waktu(s)
Jumlah Penyisipan Per Sampel Audio
1 2 3 4 5 6 7 8
[pia][jaz_blu] 0,8 0,8 0,7 0,8 0,8 0,7 0,7 0,8
67
[Halaman ini sengaja dikosongkan]
69
BIODATA PENULIS
Jeffry Nasri Faruki, lahir di Gresik 10 Mei 1996. Mulai menempuh pendidikan di SD Negeri Petrokimia Gresik (2002 - 2008) , SMP Negeri 1 Gresik (2008 - 2011) kemudian dilanjutkan di SMA Negeri 1 Gresik (2011 - 2014) dan masuk ke Institut Teknologi Sepuluh Nopember di tahun 2014 sampai sekarang. Menempuh Studi S1 di Jurusan Teknik Informatika. Penulis terlibat aktif di organisasi kampus antara lain Keluarga Muslim Informatika (KMI) sebagai staff departemen media periode 2015-2016 dan sekretaris umum periode 2016-2017. Penulis juga aktif dalam kepanitiaan sebagai staff dari divisi Web dan Kesekretariatan acara SCHEMATICS 201. Penulis mengambil bidang minat Komputasi Berbasis Jaringan (KBJ). Komunikasi dengan penulis dapat dilakukan melalui email: [email protected].